بيانات التدريب هي «الكتاب المدرسي» للنموذج: نصوص أو صور أو أصوات أو جداول يراها النموذج في مرحلة التعلّم ويستخرج منها الأنماط. كل ما يعرفه النموذج جاء من هذه البيانات وطريقة التدريب.
لماذا هي مهمة جدًا#
هناك قول شهير في هذا المجال: «مدخلات سيئة، مخرجات سيئة». فإذا كانت بيانات التدريب قليلة أو قديمة أو ناقصة أو أحادية الجانب، أظهر النموذج العيوب نفسها. فمثلًا إذا دُرّب نموذج التعرّف على الوجوه في معظمه على صور فئة معيّنة، فسيكون أضعف مع الفئات الأخرى.
ما الذي يؤثر في جودة البيانات#
- الحجم: البيانات الأكثر أفضل عادةً، إلى حد ما.
- التنوع: تغطية الحالات والفئات المختلفة.
- النظافة: خلوّها من التكرار والأخطاء والتشويش.
- صحة التسميات: في الطرق الخاضعة للإشراف.
- الحداثة: البيانات القديمة لا تعرف العالم الجديد.
مثال#
نموذج لغوي دُرّب على نصوص عربية قليلة سيكتب العربية أضعف من الإنجليزية. والسبب ليس غياب «الذكاء»، بل نقص البيانات العربية.
الجوانب القانونية والخصوصية#
مصدر البيانات وترخيص استخدامها ووجود معلومات شخصية فيها كلها موضوعات نقاش قانوني وأخلاقي، ويجب مراعاتها عند اختيار نموذج أو تدريب نموذجك الخاص.
خطأ شائع#
يُظنّ أن ضخامة البيانات وحدها تكفي. فالبيانات الصغيرة النظيفة وذات الصلة تتفوق غالبًا على بيانات ضخمة قذرة.